CNN Image Retrieval Learns from BoW: Unsupervised Fine-Tuning with Hard Examples

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F16%3A00303799" target="_blank" >RIV/68407700:21230/16:00303799 - isvavai.cz</a>

Výsledek na webu

<a href="http://cmp.felk.cvut.cz/~radenfil/publications/Radenovic-ECCV16.pdf" target="_blank" >http://cmp.felk.cvut.cz/~radenfil/publications/Radenovic-ECCV16.pdf</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-46448-0_1" target="_blank" >10.1007/978-3-319-46448-0_1</a>

Jazyk výsledku

angličtina

Název v původním jazyce

CNN Image Retrieval Learns from BoW: Unsupervised Fine-Tuning with Hard Examples

Popis výsledku v původním jazyce

Convolutional Neural Networks (CNNs) achieve state-of-the-art performance in many computer vision tasks. However, this achievement is preceded by extreme manual annotation in order to perform either training from scratch or fine-tuning for the target task. In this work, we propose to fine-tune CNN for image retrieval from a large collection of unordered images in a fully automated manner. We employ state-of-the-art retrieval and Structure-from-Motion (SfM) methods to obtain 3D models, which are used to guide the selection of the training data for CNN fine-tuning. We show that both hard positive and hard negative examples enhance the final performance in particular object retrieval with compact codes.

Název v anglickém jazyce

CNN Image Retrieval Learns from BoW: Unsupervised Fine-Tuning with Hard Examples

Popis výsledku anglicky

Convolutional Neural Networks (CNNs) achieve state-of-the-art performance in many computer vision tasks. However, this achievement is preceded by extreme manual annotation in order to perform either training from scratch or fine-tuning for the target task. In this work, we propose to fine-tune CNN for image retrieval from a large collection of unordered images in a fully automated manner. We employ state-of-the-art retrieval and Structure-from-Motion (SfM) methods to obtain 3D models, which are used to guide the selection of the training data for CNN fine-tuning. We show that both hard positive and hard negative examples enhance the final performance in particular object retrieval with compact codes.

Druh

D - Stať ve sborníku

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

<a href="/cs/project/LL1303" target="_blank" >LL1303: Vyhledávání vizuálních kategorií ve velkém množství obrázků</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Computer Vision – ECCV 2016: 14th European Conference, Amsterdam, The Netherlands, October 11–14, 2016, Proceedings, Part I

ISBN

978-3-319-46447-3

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

18

Strana od-do

3-20

Název nakladatele

Springer

Místo vydání

—

Místo konání akce

Amsterdam

Datum konání akce

8. 10. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000389382700001